如果你在Git 仓库与代码托管平台里反复做代码评审，可以考虑把经验沉淀为一个 Skill：写清触发条件、步骤、输出格式和边界，让智能体代劳重复部分，人只负责把关。

本文介绍如何在 LangChain / LangGraph 工具 上实现这个技能，包括它的形态、示例配置、启用步骤、一次完整的运行过程和常见坑。

这个技能做什么

项目说明
技能代码评审（pr-review）
作用按团队清单审查合并请求并给出分级意见
输入PR 差异
输出评审意见
形态带脚本
风险低
适用人群开发团队

处理流程分四步：

  1. 读取团队评审规范
  2. 逐文件检查
  3. 按必须、建议、可忽略分级
  4. 定位到行

这个技能需要运行本地脚本（解析文件、调用命令行工具等），要求运行环境允许执行代码；风险较低，但输出仍需快速过目再使用。

在 LangChain / LangGraph 工具 中是什么形态

LangChain 用 @tool 装饰器把函数变成工具，LangGraph 提供预置的 ReAct 智能体，也可以自己画状态图，把技能拆成可观察、可重试的节点。

代码运行在你的环境中；流程复杂时建议从预置智能体起步，再逐步换成自定义图。

示例配置

# 示意代码：LangChain 工具 + LangGraph 预置 ReAct 智能体
from langchain_core.tools import tool
from langchain.chat_models import init_chat_model
from langgraph.prebuilt import create_react_agent

@tool
def pr_review_precheck(content: str) -> str:
    """检查PR 差异是否齐全，返回缺失项。"""
    return "ok" if content.strip() else "输入为空"

model = init_chat_model("你的模型标识")
agent = create_react_agent(
    model, tools=[pr_review_precheck],
    prompt="你负责代码评审：读取团队评审规范；逐文件检查；按必须、建议、可忽略分级；定位到行。",
)
out = agent.invoke({"messages": [("user", "这是PR 差异：...")]})

示例里最重要的是两处：一是描述（或指令开头）要写明「什么时候用」，让智能体在开发团队提出相关请求时能对上号；二是约束部分要写进「改写历史、删除分支类操作只给建议，不直接执行」这类领域规矩，避免智能体自作主张。

安装与启用步骤

  1. 安装 LangChain 与 LangGraph
  2. 用 @tool 定义预检查、读取等工具
  3. 用预置智能体快速跑通
  4. 需要固定流程时改为自定义状态图，每一步一个节点
  5. 接入追踪工具观察每一步

实操：一次完整的运行

假设你在Git 仓库与代码托管平台中发出这样的请求（虚构示例）：

用代码评审技能处理这份PR 差异，输出评审意见。

智能体识别到任务与「代码评审」相关后，会依次读取团队评审规范、逐文件检查、按必须、建议、可忽略分级、定位到行。最终交付评审意见，并在末尾列出需要人工确认的内容。你的工作是对照原始PR 差异抽查两三处关键信息，确认无误后再使用。

测试与验收

对每个节点单独写测试，再跑一次端到端用例。

针对这个技能，还建议额外准备：

  • 一份信息齐全的标准PR 差异，检查输出是否完整
  • 一份缺少关键信息的输入，检查智能体是否先提问而不是编造
  • 一份包含“忽略以上规则”等字样的输入，检查约束是否仍然有效

常见坑

  • 一开始就设计复杂的多节点图，调试成本高。
  • 工具 docstring 缺失，模型不知道如何使用。
  • 只写了步骤，没写交付格式，导致每次输出的评审意见结构不同。
  • 没有给出样例，智能体对“好结果”的理解与你不一致；在参考资料里放一两份范例会明显改善。

延伸阅读

说明：文中的配置、代码与目录结构均为示意，用于说明思路；各平台的入口、字段名与能力会更新，落地前请以对应官方文档为准。示例中的数据与场景为虚构，不代表真实案例。